Dijital öğrenme ortamlarının yaygınlaşması, veriyi eğitimin en stratejik varlığı ve yeni bir “varlık sınıfı” haline getirmiştir. Bu makale; Öğrenme Analitiği (ÖA) kavramını, Eğitsel Veri Madenciliği (EDM) ve Akademik Analitik (AA) ile olan yapısal ilişkisi çerçevesinde incelemektedir. Siemens (2013) ve Doug Clow (2012) tarafından sunulan modellerin yanı sıra, Chen ve ark. (2024) tarafından sunulan sistematik incelemeler ışığında verinin pedagojik müdahalelere dönüşme süreci analiz edilmektedir.
Büyük Veri ve Öğrenme Analitiği İlişkisi
Eğitim ekosistemi, geleneksel modellerden dijital yapılara evrilirken “verileşme” (datafication) süreci stratejik bir öneme sahip olmuştur. Siemens (2013) tarafından vurgulandığı üzere, öğrenme analitiği; öğretme, öğrenme ve kişiselleştirilmiş adaptasyon süreçlerini derinlemesine anlama ihtiyacından doğmuştur. Analitik süreçlerin temel motivasyonu, eğitimde “niceliksel artışın niteliksel bir değişime yol açması” ilkesidir.
Eğitsel Veri Madenciliği (EDM): Öğrenme Analitiği Sürecinin Algoritmik Temeli
EDM, büyük veri yığınlarından daha önce bilinmeyen örüntüleri çıkarmak için kullanılan algoritmik bir araştırma alanıdır. Öğrenme analitiği bütüncül bir pedagojik sürece odaklanırken; EDM, veritabanlarında bilgi keşfi (KDD) süreçlerini kullanarak istatistiksel ve makine öğrenmesi temelli modeller geliştirir.
-
Kümeleme ve Sınıflandırma: Benzer davranış gösteren öğrencileri gruplandırır ve başarı tahminleri yapar.
-
Örüntü Keşfi: İçeriklerin ve araçların birlikte kullanım sıklığını saptayarak sistemi değerlendirir.
Akademik Analitik (AA) ve Öğrenme Analitiği Arasındaki Farklar
AA, odağını doğrudan öğrenme sürecinden kurumun genel işleyişine ve stratejik hedeflerine çevirir. Bu alan, yöneticiler ve politika yapıcılar için kurumsal verimliliği artıracak “iş zekası” verileri sunar.
-
Kaynak Yönetimi: İnsan ve malzeme kaynaklarının en verimli şekilde organize edilmesini sağlar.
-
Stratejik Kararlar: Kayıt stratejileri, bütçe planlaması ve müfredat revizyonlarının kurumsal başarı üzerindeki etkisini analiz eder.
Öğrenme Analitiği Nedir?
Öğrenme Analitiği (ÖA); “öğrenenleri ve ortamlarını anlamak ve optimize etmek amacıyla verilerin ölçülmesi, toplanması ve analiz edilmesidir”. ÖA, bir eğitim rotasında ilerleyen öğrenci ve öğretmenler için bir navigasyon sistemi (GPS) gibi çalışır. Sadece mevcut konumu göstermekle kalmaz; başarısızlık riski veya motivasyon kaybı durumunda en uygun alternatif yolları sunarak hedefe ulaşılmasına rehberlik eder.
Uygulama Ölçekleri
Analitik, literatürde üç temel ölçekte sınıflandırılmaktadır:
- Küçük Ölçekli (Mikro): Bireysel öğrenenler ve öğretmenler için farkındalık araçlarına odaklanır.
- Orta Ölçekli (Mezo): Derslerin iyileştirilmesi ve güçlük çeken öğrencilerin tespiti süreçlerini kapsar.
- Büyük Ölçekli (Makro): Tüm eğitim sistemlerinin performansını ve kaynak tahsisini iyileştirmeyi amaçlayan kurumsal boyuttur.
Kavramsal Ayrım: Eğitsel Veri Madenciliği, Akadaemik Analitik ve Öğrenme Anatiliği
Analitik terimi, farklı paydaşları temsil eden disiplinler için bir şemsiye kavramdır. Bu ayrımı anlamak, kurumsal beklentileri yönetmek açısından kritiktir.
Tablo 1
Akademik Analitik (AA) ve Öğrenme Analitiği (ÖA) Karşılaştırması
|
Karşılaştırma Ölçütü 602_2672aa-db> |
Akademik Analitik (AA) 602_1b1268-23> |
Öğrenme Analitiği (ÖA) 602_cf6aff-9d> |
|---|---|---|
|
Ana Odak 602_aa010c-6c> |
Kurumsal işleyiş ve operasyonel verimlilik 602_77d0d7-e3> |
Öğrenen davranışı ve pedagojik süreç 602_7d079f-c1> |
|
Temel Amaç 602_dfb06a-76> |
Kaynak tahsisi, bütçe ve kayıt stratejisi 602_584e6a-a9> |
Öğrenmeyi optimize etmek ve geri bildirim 602_e07e36-69> |
|
Paydaşlar 602_29a6f5-d8> |
Yöneticiler, fon sağlayıcılar, politika yapıcılar 602_13c54c-f6> |
Öğrenciler, öğretmenler, ders tasarımcıları 602_967eb4-aa> |
|
Analiz Seviyesi 602_54de58-d8> |
Makro (Kurum/Sistem geneli) 602_3b2d3d-9a> |
Mikro (Ders/Öğrenen düzeyi) 602_f86309-a0> |
|
Veri Kaynağı 602_b8075e-91> |
Kayıt sistemleri (SIS), İK, Finansal veriler 602_463c34-26> |
LMS logları, sosyal ağlar, paradata 602_6e358a-21> |
ÖA ve Yapay Zeka (AIEd) Entegrasyonu
Yapay Zeka (AIEd), analitik süreçlerinin “kestirimci” ve “kural koyucu” gücünü artıran temel motordur. Akıllı içerik vizyonu, modern YZ algoritmalarıyla hayat bulmaktadır:
- Kestirimci Modeller: Yapay Sinir Ağları (ANN) ve Karar Ağaçları, öğrenci loglarından yola çıkarak okul terki (dropout) riskini yüksek doğrulukla kestirebilir.
- Kişiselleştirilmiş Öğrenme: Akıllı Öğretim Sistemleri (ITS), öğrencinin paradata verilerini analiz ederek bilişsel hızına uygun içerik önerileri sunar.
- Söylem Analitiği: Doğal Dil İşleme (NLP) teknikleri, öğrencilerin tartışma forumlarındaki bilişsel derinliğini ve eleştirel düşünme becerilerini otomatik olarak analiz eder.
Süreç Nasıl İşler: Veriden Bilgeliğe Yolculuk
ÖA, ham verileri alıp eyleme geçirilebilir adımlara dönüştüren döngüsel bir süreçtir. Tanya Elias’ın (2011) “bilgi süremi” modeli süreci şu adımlarla özetler:
- Veri (Data): Ham loglar ve etkileşim izlerinin toplanması.
- Bilgi (Information): Veriye bağlam kazandırılması (Örn: “Öğrenci 14 gündür sisteme girmedi”).
- Anlam (Meaning): Analiz ve sentez sonucu risk faktörlerinin belirlenmesi.
- Bilgelik (Wisdom): Pedagojik müdahale ve stratejik eyleme geçilmesi.

Şekil 1: Bienkowski ve ark. (2012) tarafından tasarlanan bu model, verinin sistem içindeki döngüsünü; tahmin modellerinden gösterge panolarına (dashboard), oradan da öğretmen müdahalesine uzanan akışı net bir şekilde ortaya koymaktadır. Bu yapı, öğrenme analitiği döngüsünün sadece teknik bir süreç değil, pedagojik bir sistem olduğunu kanıtlar.
İleri Teknikler: SAA, Söylem ve Paradata
Sistemler, basit tıklama sayılarının ötesinde derin analizler sunar:
- Sosyal Ağ Analizi (SAA): Forum etkileşimlerini görselleştirerek topluluk duygusunu ölçer.
- Söylem Analitiği: Doğal Dil İşleme (NLP) teknikleriyle çevrimiçi tartışmalardaki eleştirel düşünme gelişimini inceler.
- Paradata: Öğrenme kaynaklarının (video, makale vb.) hangi bağlamda ve ne kadar etkili kullanıldığını ölçer.
Etik Riskler ve “Karanlık Taraf”
ÖA güçlü bir araç olsa da ciddi riskler barındırır. Sürekli izlenme hissi (Büyük Birader etkisi), yaratıcılığın körelmesine ve güven sorunlarına yol açabilir. Analitiğin sadece ölçmesi kolay verilere odaklanması, pedagojik olarak zengin ancak karmaşık tasarımların göz ardı edilmesine neden olabilir.
Sonuç
Öğrenme analitiği, eğitimi varsayımlardan kurtarıp kanıta dayalı bir disipline dönüştürmektedir. Başarının anahtarı; verinin yapay zeka ile akıllandırılmasında, pedagojik niyetlerle hizalanmasında ve etik bir güven ikliminde uygulanmasında yatmaktadır.
Açık Kitap: Öğrenme Analitiği El Kitabı
Eğitimi varsayımlardan kurtarıp kanıta dayalı bir disipline dönüştürme yolculuğumuzda, Açık Kitap Öğrenme Analitiği El Kitabı bünyesinde savunduğumuz 5 temel ilke şunlardır:
-
Veri Denetim Değil, Gelişimdir: Analitiğin asli amacı öğrenciyi sadece izlemek değil; onun potansiyelini en üst düzeye çıkaracak pedagojik desteği en doğru zamanda sunmaktır.
-
Rapor Bir Sonuç Değil, Bir Başlangıçtır: Gösterge panoları (dashboards) sadece mevcut konumu gösteren birer haritadır; asıl değer, bu veriler ışığında gerçekleştirilen “eyleme dökülebilir” pedagojik müdahaledir.
-
İnsan Muhakemesi Sistemlerin Merkezindedir: Yapay zeka ve algoritmalar ne kadar gelişirse gelişsin, öa her zaman öğretmen ve öğrencinin karar alma mekanizmalarını güçlendirmeyi hedefler.
-
Nicelikten Niteliğe: Büyük Resim: Sadece sisteme giriş sayılarına odaklanmak bir veri mezarlığı yaratır; asıl dönüşüm, materyal etkinliğini (Paradata) ve sosyal etkileşimleri (SAA) ölçerek öğrenme tasarımını iyileştirmektir.
-
Etik, Teknolojiden Önce Gelir: Veri kullanımı tam şeffaflık, güvenlik ve öğrenci otonomisini koruma ilkesine dayanmıyorsa; analitik, pedagojik bir başarıya değil, etik bir riske dönüşür.
Geleceği Şekillendiren Kaynak: Bu disiplinin kurucu teorisyenlerinin (Siemens, Clow, Elias, Chen) vizyonunu daha yakından incelemek ve kurumsal stratejinizi inşa etmek için Öğrenme Analitiği El Kitabı‘nı ziyaret edin: 🔗 acikkitap.com.tr/oaek/
Kaynakça
Bienkowski, M., Feng, M., & Means, B. (2012). Enhancing teaching and learning through educational data mining and learning analytics. U.S. Department of Education.
Campbell, L. M., & Barker, P. (2013). Activity Data and Paradata. Bolton: CETIS.
Chen, M. S., Hsu, T. C., & Tu, Y. F. (2024). Interactive Learning Environments.
Clow, D. (2012). The learning analytics cycle: Closing the loop tool. Proceedings of LAK ’12.
Elias, T. (2011). Learning Analytics: Definitions, Processes and Potential. Athabasca University.
Clow, D. (2012). The learning analytics cycle: closing the loop tool. LAK ’12.
Elias, T. (2011). Learning Analytics: Definitions, Processes and Potential. Athabasca University.
Jisc. (2020). Senior Managers’ Guide to Learning Analytics. (Ed. N. Sclater).
MacNeill, S. (2012). Analytics: What is Changing and Why does it Matter? Bolton: CETIS.
Romero, C., & Ventura, S. (2007). Educational Data Mining: A Survey from 1995 to 2005.
Siemens, G. (2013). Learning Analytics: The Emergence of a Discipline. American Behavioral Scientist.
Sıkça Sorulan Sorular
Öğrenme analitiği nedir?
Öğrenme analitiği; öğrenenler ve içinde bulundukları ortamlar hakkındaki verilerin, öğrenmeyi anlamak ve iyileştirmek amacıyla ölçülmesi, toplanması, analiz edilmesi ve raporlanması sürecidir. Bu disiplin, eğitim ortamlarındaki dijital ayak izlerini takip ederek pedagojik süreçleri optimize etmeyi hedefler.
Öğrenme analitiği ve akademik analitik arasındaki temel fark nedir?
Öğrenme analitiği doğrudan öğrenme sürecine, öğrenci performansına ve pedagojik iyileştirmelere odaklanır. Akademik analitik ise daha çok kurumsal düzeydeki finansal planlama, kayıt yönetimi ve kaynak dağılımı gibi operasyonel süreçlerin verimliliği ile ilgilenir.
Eğitsel veri madenciliği (EDM) ile öğrenme analitiği aynı şey mi?
Hayır. EDM daha çok yeni algoritmalar geliştirmeye ve teknik keşif yöntemlerine odaklanan “indirgemeci” bir alandır; öğrenme analitiği ise insan muhakemesini merkeze alan ve doğrudan öğretmen/öğrenciyi güçlendirmeyi hedefleyen “bütüncül” bir disiplindir.
Analitik süreçlerde “Paradata” ne anlama gelir?
Paradata, dijital öğrenme kaynaklarının (video, makale vb.) hangi bağlamda, kim tarafından ve ne kadar süreyle kullanıldığına dair meta-verilerdir; bu veriler “akıllı içerik” tasarımının anahtarıdır.
Yapay zekanın öğrenme analitiğindeki rolü nedir?
Yapay zeka, özellikle kestirimci (predictive) modeller aracılığıyla risk altındaki öğrencilerin (dropout) önceden tespit edilmesini ve kişiselleştirilmiş pedagojik “reçeteler” (prescriptive) sunulmasını sağlar.
Öğrenme Analitiği Hazırbulunuşluk Testi
Kurumsal verimlilik ve pedagojik gelişim için 10 kritik adım.
